CUDA_match

多层感知器神经网络反向误差传播学习算法多层感知神经网络由输入层、输出层和若干隐层组成本例中用多层感知神经网络求解异或判决问题通过对样本xor.dat的训练进行自学习

本代码实现： 1） 吐 16 KHz 音频使用 FIR QMF 过滤到两个平等乐队，低 （0-4） 千赫、 高 (4-8) KHz 2） 适用任何的处理算法，例如噪音减少。 3） 合并这些两个带两个窗体原始乐队。

使用Las Vegas方法与回溯方法结合，改进8后问题算法

Cantilever simulations in COMSOL Multiphysics

 人工蜂群算法是模仿蜜蜂行为提出的一种优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。

《GPU高性能运算之CUDA》是全国第一本全面介绍CUDA软硬件体系架构的书籍。全面介绍使用CUDA进行通用计算所需要的语法、硬件架构、程序优化技巧等知识，是进行GPU通用计算程序开发的入门教材和参考书。《GPU高性能运算之CUDA》共分5章。第1章介绍GPU通用计算的发展历程，介绍并行计算的历史、现状以及面临的问题；第2章介绍CUDA的使用方法，帮助读者理解CUDA的编程模型、存储器模型和执行模型，掌握CUDA程序的编写方法；第3章探讨CUDA硬件架构，深入分析Tesla GPU架构与CUDA通用计算的相互作用：第4章总结CUDA的高级优化方法，对任务划分、存储器访问、指令流效率等课题进行探讨；第5章以丰富的实例展示如何使用CUDA的强大性能解决实际问题。 《GPU高性能运算之CUDA》可作为CUDA的学习入门和编程参考书，主要面向从事高性能计算的程序员与工程师，使用GPU加速专业领域计算的科研人员，以及对GPU通用计算感兴趣的程序员。开设相关课程的高等院校与科研机构也可选用《GPU高性能运算之CUDA》作为教材。

出差旅行推销员的问题，解决问题使用人工智能此代码

求解整数的最大公约数-the common denominator for Solving Integer

伸展树的一系列操作代码实现，

熵权评价 熵权评价 熵权评价-The right to evaluate the entropy